摘要：在本研究中，我们调查了几种用于细粒度实体类型分类的神经网络架构，并做出了三个关键贡献。尽管这是一个自然的比较和补充，但之前在注意神经架构（attentive neural architecture）上的研究并没有考虑人工设计的特征，而我们将这种特征和学习到的特征结合到了一起并且确认它们是可以优势互补的。此外，通过定量分析，我们发现这种注意机制学会了关注句法头（syntactic head）和包含该提及（mention）的短语，atv，这两个对我们的任务而言都是已知的强人工特征。我们通过一种分层编码方法引入了在标签之间共享的参数，其在低维投射（low-dimensional projections）中为每种类型层次都表现出了清晰的聚类。最后，尽管使用了同样的评估数据集，但文献经常将使用不同数据训练的模型加以比较。我们的研究表明训练数据的选择会给表现带来极大的影响，之前提出的方法可以有多达 9.85% 的 loose micro F1 分数减少。尽管有这样的差异，但我们最佳的模型在 75.36% 的 loose micro F1 分数上实现了当前最佳的结果，该结果是在成熟的 FIGER (GOLD) 数据集上得到的；而且我们也在 OntoNotes 数据集的公开可用数据上训练的模型上实现了最佳结果，其 loose micro F1 分数为 64.93%。

图 1：在表达「a match series against New Zealand is held on Monday」中预测提及「New Zealand」的细粒度语义类型的注意编码器神经模型（attentive encoder neural model）的图示

　　©本文为机器之心编译，转载请联系本公众号获得授权。

　　?------------------------------------------------

加入机器之心（全职记者/实习生）：[email protected]

投稿或寻求报道：[email protected]

广告&商务合作：[email protected]